] (7)数据输出模块：用于将所述非随机信息概率估计模块计算得到的所述非随机 信息概率的值输出。
[0033] 本发明中，所述连续博弈所形成的数据流通过应用程序编程接口（Application Programming Interface ,API)从数据提供商处获得。
[0034] 本发明中，所述时间间隔To的取值优选为1分钟、10秒或30秒。
[0035] 本发明中，所述数据桶的个数n的取值优选为50。
[0036] 本发明中，ATR为真实波幅（True Range,TR)的移动平均，而TR = MaxKH-L)，化-PC) ,(PC-L)K其中，H和L分别为当前采样时间段的最高价格和最低价格，PC为前一个采样 时间段的最终成交价格。在计算时，所述数据桶的个数n可视为滑动窗口个数，那么，在n个 所述数据桶中成交量数据所对应的时间序列数据中存在Y个取值To的采样时间间隔，则ATR 可取值为Y个真实波幅(True Range，TR)的移动平均。
[0037] 本发明中，所述数据输出模块为数字输出模块，W数值的形式输出结果;也可W是 数字输出模块与图形输出模块的组合，W图形的形式输出结果。
[0038] 本发明中，所述数据输出模块可W与其他系统对接，从而使得其他系统可W调用 所述数据输出模块输出的数据处理结果。
[0039] 本发明中，针对现有技术中W时间为维度研究成交量构成中的不足，采用W成交 量为维度的统计方法，基于不同时间粒度的成交量W及成交价计算连续博弈所形成的数据 流中非随机信息概率，可用于对股票、期货等金融市场的价格波动性的预测。
[0040] 具体来说，本发明是先通过输入的一系列的时间序列数据维护一个当前成交量数 据桶，同时维护一个长为取样数据桶个数n的队列，每当当前成交量数据桶满了的时候，会 将当前成交量数据桶中计算得到的VtB和VtS加入到当前的队列头中，运里采用滑动窗口类 似的方法，取最近的n个VtB和VtS计算非随机信息概率。本发明中，对于VtB和VtS计算中引入 ATR指标对绝对偏移进行归一化，具有更好的稳定性和自适应性;并且，本发明中非随机信 息概率P的计算为在线实时计算，并不局限于分析历史的某时间段。在实现的时候采用面向 对象的设计模式将P的计算封装在非随机信息概率的实时计算系统中，通过不断地向系统 传入在线时间序列数据，系统会根据当前成交量的状况实时更新非随机信息概率P值。
[0041] 与现有技术相比，本发明具有W下有益的技术效果：
[0042] (1)消除了对不可观测参数进行估计的障碍，克服了时间维度算法在即时交易尤 其是高频交易的不准确的缺陷。
[0043] (2)VtB和VtS的划分算法中创造性引入了 ATR指标对绝对偏移进行归一化，具有更 好的稳定性和自适应性。
[0044] (3)实现了对于不同粒度（日、时、分等）的连续博弈时间序列数据中非随机信息概 率的计算，且可W在线滚动实时计算。
【附图说明】
[0045] 图1为微观交易模型图。
[0046] 图2为本发明对于连续博弈数据流中非随机信息概率进行实时计算的流程图。
[0047] 图3为本发明的一具体实施例中采样时间间隔为1分钟的时间序列数据流。
[0048] 图4为本发明的一具体实施例中对于图3的时间序列数据流中非随机信息概率进 行实时计算的结果。
[0049] 图5为本发明的一具体实施例中对于图4的非随机信息概率的实时计算结果在随 后2小时的时间区间内与价格波动性的相关性。
【具体实施方式】
[0050] W下，结合具体实施例，对本发明的技术方案作进一步详细说明。W下实施例在W 本发明技术方案为前提下进行实施，给出了详细的实施方式和过程，但本发明的保护范围 不限于下述的实施例。
[0051] 对于连续博弈数据流中非随机信息概率，通过构建如图1所示的微观交易模型来 进行说明，其中，a是信息事件产生概率，y是知情（即，非随机信息)交易者的交易指令速率， e是非知情（即，随机信息巧易者的交易指令速率。由此，知情交易信息的概率PIN(即，非随 机交易信息概率)可表示化下：
[0化2]
[0053] 如图2所示，本发明的一具体实施例中，一种连续博弈数据流中非随机信息概率的 实时计算方法，包括W下步骤：
[0054] 步骤SI:对连续博弈所形成的数据流(可通过应用程序编程接口 API从数据提供商 处获得)按等时间间隔进行采样，得到采样时间间隔为To的时间序列数据流，记为：{Ti，Pi， ￥1}、化，口2，￥2^，{11，口1，￥小。，其中，1'1为第1个采样时刻^1为第1个采样时刻的最终成交 价格，V功在第i个采样时刻与第i-1个采样时刻之间的To时间间隔内的总成交量，T2-Ti = T 广 Ti-I = To;
[0055] 步骤S2:从所述时间序列数据流中提取出成交量数据流，记为：{Vi，V2,…，Vir-K 其中，在第i个采样时刻与第i-1个采样时刻之间的To时间间隔内的总成交量Vi被视作为能 够拆分的Vi份单位成交量；
[0056] 步骤S3:将所述成交量数据流按照等成交量间隔进行聚合和拆分，并依次填充到n 个数据桶中，每个数据桶所容纳的最大成交量总和均为V;
[0057] 步骤S4:实时检测当前数据桶是否已满，即，当前数据桶中成交量数据的总和是否 已经达到V，如果是，则进行步骤S5;如果否，则回到步骤SI;
[0058] 步骤S5:分别按照下式（I)和（II)计算当前数据桶中买的成交量VtB和卖的成交量 VtS的值；
[0化9] (I)
[0060] (U)
[0061 ]其中，
[0062 ] t (T)为第T个所述数据桶中最后采样时刻，
[0063] Vi为在第i个采样时刻与第i-1个采样时刻之间的To时间间隔内的总成交量；
[0064] Pi、Pi-i分别为第i个采样时刻和第i-1个采样时刻的最终成交价格；
[0065] ATR为所述时间序列数据流的平均真实波幅(Average True Range),取值为真实 波幅（True Range，TR)的移动平均，而TR=Max K H-L)，化-PC)，（ PC-L )}，其中，H和L分别为 当前采样时间段的最高价格和最低价格，PC为前一个采样时间段的最终成交价格；
[0066] V为每个所述数据桶中所容纳的最大成交量总和；
[0067] S为Sigmoid函数，其定义如下= 1-+ ，、-，其中，b为控制函数平滑程度 的参数，b可设为1;
[006引步骤S6:将(VtB，VtS)作为一个成对采样值填充到采样缓存区；
[0069] 步骤S7:实时检测所述采样缓存区是否已满，即检测所述采样缓存区中的成对采 样值的个数m的值，若m<n，回到步骤Sl或S5;若m = n，则进行步骤S8;
[0070] 步骤S8:按照下式（III)计算当前所述连续博弈所形成的数据流中非随机信息概 率P并实时输出：
[0071]
(Iir)
[0072] 为了便于理解和说明，在此举一个例子来说明买的成交量VtB和卖的成交量VtS的 值的计算过程：
[0073] 步骤Sl中